基于深度神经网络的运动多目标检测跟踪技术研究与应用

发布时间：2024-02-15 16:06

　　视频目标跟踪随着近几年计算机视觉、模式识别、深度学习领域相关技术的不断成熟进步,诸多学者、专家对人工智能的重视不断增强,逐渐成为机器学习的核心发展方向,在密集区域视频监控,交通智慧城市,视频分析与检索等方面有比较广阔的发展前途和应用场景。而与此同时,随着深度神经网络的学习与应用,对于视频跟踪中的目标框选,目标跟踪中的自学习都有着新的结合应用。所以,把深度神经网络应用于多个目标的检测跟踪上很有现实意义。多目标跟踪是当今视频跟踪领域研究热点之一,他有效地解决了多目标构成的群体的行为判断问题与某区域内目标拥挤度的识别问题,成为提高现有视频目标跟踪效率最为有效的途径,与此同时还兼备了现有主流单目标跟踪所能保证的跟踪精确度与准确性。本课题第一步先将对若干张待跟踪目标的通用特征图像运用深度神经网络非在线训练,提取该类目标的特征。然后运用这些训练提取的目标特征在线训练,得到正确区分目标与非目标的分类器,将需要跟踪的目标分类并框选。其次,在目标框选确定之后,跟踪器根据帧与帧之间目标物体的运动是有限的采用光流法估计目标运动状况。检测器首先对每一帧视频图像帧进行逐个扫描,逐一观测出直到当前时刻以前已经被找...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文主要研究内容
    1.4 论文总体结构
第2章 技术研究基础
    2.1 视频目标跟踪技术
        2.1.1 跟踪模块原理
        2.1.2 检测器原理
        2.1.3 自学习模块原理
    2.2 MDP决策性学习原理
        2.2.1 马尔科夫决策过程
        2.2.2 马尔科夫决策策略
    2.3 多质心双向量跟踪原理
        2.3.1 多质心相关概念
        2.3.2 频域向量与空域向量
    2.4 视频多目标跟踪技术概述
        2.4.1 多目标跟踪技术
        2.4.2 深度神经网络概述
    2.5 本章小结
第3章 基于深度神经网络的运动多目标检测算法设计
    3.1 算法应用场景分析
    3.2 算法设计
        3.2.1 算法原理
        3.2.2 多目标框选与检测
        3.2.3 目标质心分割与选择
        3.2.4 质心谱带描绘
        3.2.5 决策性学习判定
        3.2.6 最终运动轨迹矫正与选择
    3.3 算法仿真
        3.3.1 特征修复与合并
        3.3.2 实例测试
    3.4 算法实验及分析
        3.4.1 算法准确率判断指标及方法
        3.4.2 实验结果对比及分析
    3.5 本章小结
第4章 基于深度神经网络的运动多目标跟踪算法设计
    4.1 算法应用场景分析
        4.1.1 群体事件分析
        4.1.2 运动轨迹分析
    4.2 算法设计
        4.2.1 算法原理
        4.2.2 算法实现
    4.3 算法实验及分析
        4.3.1 多目标跟踪算法跟踪效果
        4.3.2 实验结果对比分析
    4.4 本章小结
第5章 多目标检测与跟踪场景应用及性能分析
    5.1 系统应用场景
    5.2 Benchmark数据集介绍与分析
    5.3 系统测试指标及验证
        5.3.1 测试特征描述
        5.3.2 数据集选择
        5.3.3 算法评价指标
        5.3.4 分析验证集
    5.4 系统测试
        5.4.1 测试集评估
        5.4.2 算法结果测试
    5.5 算法对比分析
    5.6 本章小结
结论
参考文献
攻读硕士学位期间取得的研究成果
致谢



本文编号：3899969